論文の概要: Geometric-Stochastic Multimodal Deep Learning for Predictive Modeling of SUDEP and Stroke Vulnerability

• arxiv url: http://arxiv.org/abs/2512.08257v1
• Date: Tue, 09 Dec 2025 05:28:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.82086
• Title: Geometric-Stochastic Multimodal Deep Learning for Predictive Modeling of SUDEP and Stroke Vulnerability
• Title（参考訳）: SUDEPとストローク脆弱性の予測モデルのための幾何学的確率的マルチモーダル深層学習
• Authors: Preksha Girish, Rachana Mysore, Mahanthesha U, Shrey Kumar, Misbah Fatimah Annigeri, Tanish Jain,
• Abstract要約: 本稿では,脳波,心電図,呼吸,SpO2,EMG,fMRI信号を統合した幾何学的・確率的マルチモーダル深層学習フレームワークを提案する。 予測精度の向上と, 多様体曲率, 分数メモリ指数, 注意エントロピー, 拡散中心性から導かれる解釈可能なバイオマーカーについて検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sudden Unexpected Death in Epilepsy (SUDEP) and acute ischemic stroke are life-threatening conditions involving complex interactions across cortical, brainstem, and autonomic systems. We present a unified geometric-stochastic multimodal deep learning framework that integrates EEG, ECG, respiration, SpO2, EMG, and fMRI signals to model SUDEP and stroke vulnerability. The approach combines Riemannian manifold embeddings, Lie-group invariant feature representations, fractional stochastic dynamics, Hamiltonian energy-flow modeling, and cross-modal attention mechanisms. Stroke propagation is modeled using fractional epidemic diffusion over structural brain graphs. Experiments on the MULTI-CLARID dataset demonstrate improved predictive accuracy and interpretable biomarkers derived from manifold curvature, fractional memory indices, attention entropy, and diffusion centrality. The proposed framework provides a mathematically principled foundation for early detection, risk stratification, and interpretable multimodal modeling in neural-autonomic disorders.
• Abstract（参考訳）: 急激なてんかん死 (SUDEP) と急性虚血性脳卒中は、皮質、脳幹、自律神経系にまたがる複雑な相互作用を含む生命を脅かす状態である。 脳波、心電図、呼吸、SpO2、EMG、fMRI信号を統合し、SUDEPと脳卒中の脆弱性をモデル化する。 このアプローチはリーマン多様体の埋め込み、リー群不変特徴表現、分数確率力学、ハミルトンエネルギーフローモデリング、およびクロスモーダルアテンション機構を組み合わせたものである。 ストローク伝播は、構造脳グラフ上の分画拡散拡散を用いてモデル化される。 Multi-CLARIDデータセットの実験では、多様体曲率、分数メモリ指数、注意エントロピー、拡散中心性から導かれる予測精度と解釈可能なバイオマーカーが向上した。 提案フレームワークは,神経自律神経障害における早期発見,リスク階層化,解釈可能なマルチモーダルモデリングのための数学的基礎を提供する。

関連論文リスト

• Multimodal Graph Neural Networks for Prognostic Modeling of Brain Network Reorganization [0.0]
  脳ネットワークの動的再構成を理解することは、臨床結果における認知低下、神経学的進歩、個人的変動を予測するために重要である。 本研究では、構造拡散テンソルイメージングとMRIを統合して脳ネットワーク再構成をモデル化するマルチモーダルグラフニューラルネットワークニューロイメージングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-06T05:11:49Z)
• Machine Learning Approaches to Clinical Risk Prediction: Multi-Scale Temporal Alignment in Electronic Health Records [2.9576397177561087]
  本研究では,マルチスケール時間アライメントネットワーク(MSTAN)に基づくリスク予測手法を提案する。 電子健康記録(EHR)における時間的不規則性、サンプリング間隔差、およびマルチスケールダイナミック依存関係の課題に対処する。 EHRデータセットで実施された実験によると、提案されたモデルは、精度、リコール、精度、F1-Scoreのメインストリームベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-26T16:33:59Z)
• Deep Learning Approach for Clinical Risk Identification Using Transformer Modeling of Heterogeneous EHR Data [0.0]
  本研究では,トランスフォーマーを用いた経時的モデリング手法を提案し,異種ERHデータを用いた臨床リスク分類の課題に対処する。 この方法はマルチソース医療機能を入力とし、構造化データと非構造化データの統一表現を実現するために特徴埋め込み層を用いる。 実験結果から,提案モデルは従来の機械学習モデルや時間的深層学習モデルよりも精度,リコール,精度,F1スコアで優れていた。
  論文  参考訳（メタデータ） (2025-11-06T08:02:21Z)
• Wall Shear Stress Estimation in Abdominal Aortic Aneurysms: Towards Generalisable Neural Surrogate Models [2.2742404315918923]
  腹部大動脈瘤 (AAA) は腹部大動脈の病的拡張であり,破裂に伴う死亡リスクが高い。 本研究では,AAA患者の血行動態を推定するための幾何学的深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-30T16:32:47Z)
• CodeBrain: Towards Decoupled Interpretability and Multi-Scale Architecture for EEG Foundation Model [52.466542039411515]
  EEGファウンデーションモデル(EFM)は、タスク固有のモデルのスケーラビリティ問題に対処するために登場した。 このギャップを埋めるために設計された2段階のEMFであるCodeBrainを紹介します。 第1段階では、異種時間・周波数の脳波信号を離散トークンに分解するTFDual-Tokenizerを導入する。 第2段階では、構造化されたグローバル畳み込みとスライディングウインドウの注意を結合したマルチスケールEEGSSMアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-06-10T17:20:39Z)
• Models of Heavy-Tailed Mechanistic Universality [62.107333654304014]
  トレーニングニューラルネットワークにおける重み付け行動を引き起こす属性を探索するために,ランダム行列モデルのファミリーを提案する。 このモデルの下では、3つの独立した因子の組み合わせによって、尾翼の電力法則によるスペクトル密度が生じる。 ニューラルネットワークトレーニングの5段階以上において、ニューラルネットワークのスケーリング法則、軌道、および5段階以上の位相を含む重尾の出現に対する我々のモデルの影響について論じる。
  論文  参考訳（メタデータ） (2025-06-04T00:55:01Z)
• Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
  本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。 次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。 このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
  論文  参考訳（メタデータ） (2024-05-21T20:37:07Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
  多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。 我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
  論文  参考訳（メタデータ） (2022-10-23T15:11:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。